Déverrouiller le potentiel du traitement des eaux usées : Prédiction de la consommation d'énergie basée sur l'apprentissage automatique

Les stations d'épuration (WWTP) sont des installations gourmandes en énergie qui respectent des normes strictes de qualité des effluents. La prédiction de la consommation d'énergie dans les WWTP est cruciale pour réaliser des économies de coûts, optimiser les processus, se conformer aux réglementations et réduire l'empreinte carbone. Cet article évalue et compare un ensemble de 23 modèles d'apprentissage automatique candidats pour prédire la consommation d'énergie des WWTP en utilisant des données réelles de la station d'épuration de Melbourne. À cette fin, une optimisation bayésienne a été appliquée pour calibrer les modèles d'apprentissage automatique étudiés. Random Forest et XGBoost (eXtreme Gradient Boosting) ont été appliqués pour évaluer comment les caractéristiques incorporées influençaient la prédiction de la consommation d'énergie. De plus, cette étude a examiné la prise en compte des informations provenant de données passées pour améliorer la précision de la prédiction en intégrant des mesures avec un décalage temporel. Les résultats ont montré que les modèles dynamiques utilisant des données à décalage temporel surpassaient les modèles d'apprentissage automatique statiques et réduits. L'étude montre que l'inclusion de mesures retardées dans le modèle améliore la précision des prédictions, et les résultats indiquent que le modèle dynamique des k-plus proches voisins domine les méthodes de pointe en atteignant des prédictions de consommation d'énergie prometteuses.